杰纳维拉·艾伦
人员信息
附属: 美国德克萨斯州休斯顿莱斯大学
优化列表
![笔记](https://dblp.org/img/note-mark.dark.12x12.png)
2020年–今天
2024 [i16] 卡米尔·奥利维娅·利特尔 , 杰纳维拉·艾伦 :
公平MP-BOOST:公平且可解释的迷你补丁增强。 CoRR公司 abs/2404.01521 ( 2024 ) 2023 [公元14年] 徐涵 , 王万丽 , 李华马 , 伊斯梅尔·艾·拉马希 , 胡安·博塔斯 , 凯文·麦肯齐 , 杰纳维拉·艾伦 , 达米安·W·杨 , 刘展东 , Mirjana Maletic野蛮人 :
SPA-STOSCY:一种自动工具,用于在高通量核磁共振谱中识别有注释和无注释的代谢物。 生物信息。 39 ( 10 ) ( 2023 ) 【i15】 杰纳维拉·艾伦 , 甘鲁琴 , 郑丽丽(Lili Zheng) :
用于发现的可解释机器学习:统计挑战与机遇。 CoRR公司 abs/2308.01475 ( 2023 ) [第14条] 马德琳·纳瓦罗 , 卡米尔·奥利维娅·利特尔 , 杰纳维拉·艾伦 , 圣地亚哥·塞加拉 :
通过子组混合增强数据以提高公平性。 CoRR公司 abs/2309.07110 ( 2023 ) [i13] 卡米尔·奥利维娅·利特尔 , 黛博丽娜·哈尔德·丽娜 , 杰纳维拉·艾伦 :
解释基于树的方法和代理的公平特征重要性分数。 CoRR公司 abs/2310.04352 ( 2023 ) 2022 [j13] 甘鲁琴 , 朱塞佩·芬奇 , 杰纳维拉·艾伦 :
单细胞RNA-seq的相关插补。 J.计算。 生物。 29 ( 5 ) : 465-482 ( 2022 ) [j12] 甘鲁琴 , 杰纳维拉·艾伦 :
通过迷你补丁学习快速且可解释的共识聚类。 PLoS计算机。 生物。 18 ( 10 ) : 1010577 ( 2022 ) 【c23】 阿尔科·巴曼 , 苏晨 , 安徒生·张 , 杰纳维拉·艾伦 :
通过新型客户端咨询课程体验数据科学学习。 外商投资企业 2022 : 1-9 [公元22年] 郑丽丽(Lili Zheng) , 杰纳维拉·艾伦 :
学习具有不同成对样本大小的高斯图形模型。 ICASSP公司 2022 : 5588-5592 [i12] 卡米尔·奥利维娅·利特尔 , 迈克尔·韦兰德 , 杰纳维拉·艾伦 :
面向公平前沿及其以外:确定、量化和优化公平-准确的帕累托前沿。 CoRR公司 abs/2206.00074 ( 2022 ) [i11] 甘鲁琴 , 郑丽丽(Lili Zheng) , 杰纳维拉·艾伦 :
可解释机器学习的推断:特征重要性的快速模型识别置信区间。 CoRR公司 abs/2206.02088 ( 2022 ) 2021 [公元11年] 王敏杰 , 杰纳维拉·艾伦 :
混合多视图数据的集成广义凸聚类优化与特征选择。 J.马赫。 学习。 物件。 22 : 55:1-55:73 ( 2021 ) [公元10年] 蒂芙尼·M·唐 , 杰纳维拉·艾伦 :
综合主成分分析。 J.马赫。 学习。 物件。 22 : 198:1-198:71 ( 2021 ) 【c21】 新滩 , 燕湾戴 , 艾哈迈德·伊姆蒂亚斯·胡马雍 , 陈浩泽 , 杰纳维拉·艾伦 , Parag N.贾恩 :
通过中心静脉压检测交界性异位心动过速。 AIME公司 2021 : 258-262 [公元20年] 姚天一 , 丹尼尔·勒琼 , 哈米德·贾瓦迪 , 理查德·巴拉纽克 , 杰纳维拉·艾伦 :
作为内隐脊状正则化的微型补丁学习。 大公司 2021 : 65-68 [第19条] 穆罕默德·塔哈·托哈尼 , Genevera I.艾伦 :
MP-Boost:通过自适应特征和观察采样的微型补丁增强。 大公司 2021 : 75-78 [c18] 杰纳维拉·艾伦 :
数据科学中的体验式学习:开发跨学科、客户支持的“拱顶石”项目。 SIGCSE公司 2021 : 516-522 [i10] 王敏杰 , 杰纳维拉·艾伦 :
阈值图形套索调整潜在变量:应用于功能神经连接。 CoRR公司 abs/2104.06389 ( 2021 ) [第九章] 甘鲁琴 , 杰纳维拉·艾伦 :
通过Minipatch Learning快速、可解释的共识聚类。 CoRR公司 abs/2110.02388 ( 2021 ) [i8] 天一耀 , 王敏杰 , 杰纳维拉·艾伦 :
基于微补丁学习的海量数据高斯图形模型选择。 CoRR公司 abs/2110.12067 ( 2021 ) [i7] 马德琳·纳瓦罗 , 杰纳维拉·艾伦 , 迈克尔·韦兰特 :
用于潜在状态和变化点检测的网络群集。 CoRR公司 abs/2111.01273 ( 2021 ) 2020 [第17条] 甘鲁琴 , 朱塞佩·芬奇 , Genevera I.艾伦 :
使用辅助信息和集成学习的单细胞RNA-seq相关插补。 业务连续性委员会 2020 : 41:1-41:6 [第16条] 凯利·盖尔 , 弗雷德里克·坎贝尔 , 安徒生·张 , 约翰·马格诺蒂 , 迈克尔·波尚 , 杰纳维拉·艾伦 :
ECoG数据的可解释可视化和高阶降维。 IEEE大数据 2020 : 2664-2673 [i6] 天一耀 , 杰纳维拉·艾伦 :
通过微型补丁学习选择海量数据的特征。 CoRR公司 abs/2010.08529 ( 2020 ) [i5] 穆罕默德·塔哈·托哈尼 , 杰纳维拉·艾伦 :
MP-Boost:通过自适应特征和观察采样的微型补丁增强。 CoRR公司 腹肌/2011.07218 ( 2020 ) [i4] 凯利·盖尔 , 弗雷德里克·坎贝尔 , 安徒生·张 , 约翰·马格诺蒂 , 迈克尔·波尚 , 杰纳维拉·艾伦 :
ECoG数据的可解释可视化和高阶降维。 CoRR公司 abs/2011.09447 ( 2020 ) [i3] 迈克尔·韦兰特 , T.米切尔·罗德恩贝里 , 杰纳维拉·艾伦 :
稀疏凸小波聚类的同时分组和去噪。 CoRR公司 abs/2012.04762 ( 2020 )
2010 – 2019
2019 [公元9年] 张正武 , 杰纳维拉·艾伦 , 朱宏图 , 大卫·B·邓森 :
张量网络因子分解:大脑结构连接体和特征之间的关系。 神经影像 197 : 330-343 ( 2019 ) [第15条] 杰纳维拉·艾伦 , 迈克尔·韦兰特 :
稀疏和功能主成分分析。 DSW公司 2019 : 11-16 [第14条] Andersen Chang公司 , 天一耀 , 杰纳维拉·艾伦 :
功能性大脑连接建模的图形模型和动态潜在因素。 DSW公司 2019 : 57-63 [第13条] 天一耀 , 杰纳维拉·艾伦 :
基于对称凸聚类的聚类高斯图形模型。 DSW公司 2019 : 76-82 [i2] 迈克尔·韦兰特 , 约翰·纳戈尔斯基 , 杰纳维拉·艾伦 :
通过算法正则化实现凸聚类的动态可视化和快速计算。 CoRR公司 abs/1901.01477 ( 2019 ) [i1] 天一耀 , 杰纳维拉·艾伦 :
基于对称凸聚类的聚类高斯图形模型。 CoRR公司 abs/1905.13251 ( 2019 ) 2018 [j8] 伊海东 , 阿尤什·T·拉曼 , 韩章(Han Zhang) , 杰纳维拉·艾伦 , 刘展东 :
通过数据自适应调整生物效应来检测隐藏的批因子。 生物信息。 34 ( 7 ) : 1141-1147 ( 2018 ) 2017 [j7] 刘展东 , W·吉姆·郑 , 杰纳维拉·艾伦 , 尹柳(音) , 阮建华 , 赵忠明 :
2016年智能生物与医学国际会议:从大数据到大分析工具。 BMC生物信息。 18 ( 第11页 ) : 405:1-405:3 ( 2017 ) 2016 [j6] Ying Wooi Wan应和湾 , 杰纳维拉·艾伦 , 刘展东 :
TCGA2STAT:简单的TCGA数据访问,用于R中的综合统计分析。 生物信息。 32 ( 6 ) : 952-954 ( 2016 ) [j5] 英伟湾 , 杰纳维拉·艾伦 , 尤利娅·贝克 , 杨恩浩 , 普拉迪普·拉维库马尔 , 马修·安德森 , 刘展东 :
XMRF:一个R包,用于将马尔可夫网络拟合到高通量遗传学数据。 BMC系统。 生物。 10 ( S-3系列 ) : 69 ( 2016 ) 2015 【j4】 杨恩浩 , 普拉迪普·拉维库马尔 , Genevera I.艾伦 , 刘展东 :
通过单变量指数族分布的图形模型。 J.马赫。 学习。 物件。 16 : 3813-3847 ( 2015 ) [j3] 杰纳维拉·艾伦 , 弗雷德里克·坎贝尔 , 岳虎 :
关于“可视化统计模型”的评论:可视化大数据的现代统计方法。 统计分析。 数据最小值。 8 ( 4 ) : 226-228 ( 2015 ) [第12条] 曼加里·纳拉扬 , 杰纳维拉·艾伦 :
多主体功能连接中节点级差异的群体推断。 PRNI公司 2015 : 53-56 2014 [第11条] 杨恩浩 , 尤利娅·贝克 , 普拉迪普·拉维库马尔 , Genevera I.艾伦 , 刘展东 :
通过指数族的混合图形模型。 AISTATS公司 2014 : 1042-1050 2013 [注2] 杰纳维拉·艾伦 , 克里斯汀·彼得森 , 玛丽娜·范努奇 , Mirjana Maletic野蛮人 :
正则偏最小二乘法在核磁共振波谱中的应用。 统计分析。 数据最小值。 6 ( 4 ) : 302-314 ( 2013 ) [第10条] 杰纳维拉·艾伦 :
多途径函数主成分分析。 CAMSAP公司 2013 : 220-223 【c9】 英伟湾 , 约翰·纳戈尔斯基 , 杰纳维拉·艾伦 , 李朝晖 , 刘展东 :
通过网络正则化Cox模型识别癌症生物标志物。 GENSiPS公司 2013 : 36-39 【c8】 埃里克·池 , 杰纳维拉·艾伦 , 华州 , 奥米德·科汉尼姆 , 肯尼思·兰格 , 保罗·汤普森 :
通过稀疏典型相关分析成像遗传学。 ISBI公司 2013 : 740-743 【c7】 杨恩浩 , 普拉迪普·拉维库马尔 , 杰纳维拉·艾伦 , 刘展东 :
通过单变量指数族的条件随机场。 钳口 2013 : 683-691 【c6】 杨恩浩 , 普拉迪普·拉维库马尔 , 杰纳维拉·艾伦 , 刘展东 :
关于泊松图形模型。 钳口 2013 : 1718-1726 【c5】 曼贾里·纳拉扬 , 杰纳维拉·艾伦 :
多主体功能连接性差异推理的随机方法。 PRNI公司 2013 : 78-81 【c4】 岳虎 , 杰纳维拉·艾伦 :
基于分布式优化的多主体神经影像数据局部聚集建模。 PRNI公司 2013 : 207-210 2012 【c3】 杰纳维拉·艾伦 , 刘展东 :
从高通量测序数据推断遗传网络的对数线性图形模型。 BIBM公司 2012 : 1-6 【c2】 杨恩浩 , 普拉迪普·拉维库马尔 , 杰纳维拉·艾伦 , 刘占东 :
通过广义线性模型的图形模型。 钳口 2012 : 1367-1375 【c1】 杰纳维拉·艾伦 :
稀疏高阶主成分分析。 AISTATS公司 2012 : 27-36 2011 [j1] 杰纳维拉·艾伦 , Mirjana Maletic野蛮人 :
稀疏非负广义PCA及其在代谢组学中的应用。 生物信息。 27 ( 21 ) : 3029-3035 ( 2011 )
合著者索引
![](https://dblp.org/img/cog.dark.24x24.png)